La classificazione delle nuvole di punti è uno dei compiti più costosi e lenti di qualsiasi progetto LiDAR. Ogni anno migliora ciò che l’IA può automatizzare — ma cresce anche la confusione su dove finisce il modello e dove inizia il giudizio umano.
Cosa fa bene l’IA oggi
Per le classi maggioritarie — suolo, vegetazione, edifici — i modelli attuali raggiungono precisioni molto alte in modo costante. Nei progetti di ispezione di linee elettriche, la separazione tra vegetazione, tralicci e conduttori è ormai un problema in gran parte risolto alla scala di milioni di punti al minuto, anche in corridoi di decine di chilometri con notevoli cambiamenti di vegetazione e orografia.
Non è un caso: queste classi presentano pattern geometrici molto coerenti (planarità del suolo, verticalità delle strutture, dispersione della vegetazione) che i modelli attuali catturano bene a partire da migliaia di progetti di addestramento precedenti. Il risultato pratico è che una percentuale molto alta del corridoio non necessita affatto di un occhio umano.
Dove ancora fallisce
Le difficoltà emergono ai margini: classi minoritarie, oggetti ambigui e zone a bassa densità di punti. Un modello addestrato per un tipo di terreno rende peggio su un altro, e i falsi positivi nelle classi critiche (ad esempio, rumore confuso con un cavo) hanno un costo sproporzionato, perché un solo punto mal classificato su un conduttore può innescare un falso allarme di vegetazione che invade la servitù.
Un altro punto cieco comune sono le transizioni: il bordo tra un tetto e la vegetazione che lo sfiora, o l’attacco di un palo dal suolo. Lì la geometria è ambigua anche per un occhio umano addestrato, quindi pretendere dal modello un confine perfetto significa chiedergli qualcosa che nemmeno il dato stesso permette di risolvere con certezza.
L’IA non sostituisce l’operatore. Riordina il suo lavoro: dall’etichettatura massiva alla revisione del dubbio.
L’operatore umano non scompare
Il valore dell’esperto si sposta verso il controllo qualità: convalidare ciò che il modello segnala con bassa confidenza, correggere gli errori sistematici e firmare il deliverable. Per questo l’editing degli errori deve essere integrato nello stesso ambiente della classificazione — non in uno strumento separato che costringa a esportare, correggere e reimportare, perdendo contesto e tempo a ogni giro.
Questo è esattamente ciò che Neobora integra in un unico ambiente: la classificazione con IA nel cloud e la modifica degli errori convivono nello stesso strumento, con controlli ad alta produttività pensati per il controllo di qualità. L'operatore convalida, corregge e firma senza uscire dalla piattaforma né esportare il dato in un software separato.
In pratica questo cambia il profilo del ruolo: meno ore di etichettatura ripetitiva e più ore di giudizio tecnico applicato ai casi che realmente lo richiedono. I team che gestiscono bene questa transizione non riducono il personale, lo ridistribuiscono verso controllo qualità, gestione delle eccezioni e relazione con il cliente finale.
Un flusso realistico
In Neobora il flusso è: classificazione automatica nel cloud → revisione assistita delle zone a bassa confidenza → editing puntuale → pubblicazione nel geoportale. L’operatore tocca solo la percentuale di dato che davvero lo richiede, e il resto scorre senza attriti.
Metriche che contano davvero
La precisione globale di un modello è la metrica più mostrata nelle demo e quella che dice meno sulla quotidianità di un progetto. Due indicatori sono più utili per decidere: la percentuale del corridoio contrassegnata come "da rivedere" dopo la classificazione automatica, e il tempo medio di correzione per chilometro una volta arrivato nelle mani dell’operatore.
Un modello che riduce la zona di revisione al 3-5% del totale, con una modifica agile su tale percentuale, produce tempi di consegna migliori rispetto a un modello con una precisione globale leggermente più alta ma che richiede di rivedere il 20% del corridoio in modo disperso e imprevedibile.
Come valutare un fornitore
Prima di impegnarsi con una piattaforma di classificazione, ha senso chiedere tre cose concrete: un test sui propri dati (non sul dataset demo del fornitore), visibilità su quale percentuale del dato viene contrassegnata come dubbia, e accesso per correggere quei casi all’interno dello stesso ambiente senza dipendere da un ticket di supporto.
Se un fornitore non può mostrare queste tre cose con dati reali del cliente, la cifra di precisione presentata nella proposta commerciale vale poco: viene misurata in condizioni che raramente coincidono con il terreno, la densità di volo o il tipo di infrastruttura del progetto concreto.
In Neobora partiamo proprio da queste tre esigenze: prova su dati reali del cliente, visibilità della percentuale di dato contrassegnato come dubbio e correzione all'interno dello stesso ambiente, senza ticket né strumenti esterni. Preferiamo essere valutati con il terreno del progetto davanti, non con un dataset dimostrativo.
Conclusione
Aspettarsi dall’IA un’automazione totale è la ricetta per la delusione. Aspettarsi da essa una moltiplicazione della produttività del team — con l’umano nel ciclo dove conta, misurando ciò che davvero predice il tempo di consegna — è realistico già oggi. Questa è la scommessa di Neobora.
